本文選題：數(shù)字語音盲取證 + 錄音設備源取證�。� 參考：《華南理工大學》2016年博士論文

【摘要】：數(shù)字音頻盲取證作為數(shù)字多媒體取證的重要組成部分,近年來日益受到關注,而現(xiàn)實中數(shù)字音頻取證更多的是以數(shù)字語音取證的形式出現(xiàn)。目前在數(shù)字多媒體取證領域,基于設備源信息的數(shù)字圖像取證已經(jīng)得到了充分的發(fā)展,相對來說,基于錄音設備源信息的數(shù)字音頻取證的研究還處于起步階段,有待進一步的發(fā)展。因此,本文以基于設備源信息的數(shù)字語音盲取證作為研究對象,從以下幾個方面開展了工作并做出貢獻。1)錄制了一個包含15個手機單元的手機音庫,稱之為SCUTPHONE。同時還構建了一個含有4類錄音設備22個錄音設備單元的多類型設備音庫。上述兩個音庫中男女聲數(shù)量相等,每個錄音設備單元包含240句語音錄音,每句錄音近似3秒長。同時,針對數(shù)字音頻取證領域新近出現(xiàn)的基于語音錄音的手機辨認問題,提出了一種基于高斯混合模型-通用背景模型(GMM-UBM)的手機源辨認系統(tǒng)。MFCCs被用來作為表征錄音設備單元的特征,在一個手機音庫上取得了比基于VQ和線性SVM的系統(tǒng)更高的辨認正確率。此外,還比較了MFCCs特征以及新近提出的含有去噪功能的冪歸一化倒譜系數(shù)(Power-Normalized Cespstral Coefficients,PNCCs)特征對手機源辨認的性能,并探索性地研究了PNCCs特征提取過程中的各項處理對性能的影響。2)針對目前錄音設備源識別的研究主要集中于設備源辨認問題而幾乎沒有針對設備源確認問題的現(xiàn)狀,同時受到基于稀疏表示的分類(Sparse Representation-based Classification,SRC)的強大分類能力的激勵,提出了一種新的基于稀疏表示的錄音設備源確認框架。在提出了基于樣本字典和無監(jiān)督學習字典(具體為K-SVD)的相應方法后,又利用字典學習領域后續(xù)出現(xiàn)的區(qū)分性字典學習同時考慮表示能力和區(qū)分能力的特點,提出了一種新的基于區(qū)分性K-SVD(Discriminative K-SVD,D-KSVD)的設備源確認方法。整個過程分為兩個階段,首先對每一個錄音設備訓練一個D-KSVD字典,并將訓練得到的參數(shù)(包括字典和線性分類器)來作為這個設備的模型,在第二個階段,給定一個語音錄音和所聲稱的錄音設備,基于之前訓練好的模型來進行設備源確認,提出利用線性分類器的輸出來作為評分度量。實驗表明新提出的基于D-KSVD的系統(tǒng)較其他兩種基于稀疏表示的確認系統(tǒng)以及兩種基線系統(tǒng)取得了最好的性能。3)在基于錄音設備源的數(shù)字語音取證中,有時候錄音設備是不可得的,能獲取到的可能僅僅有語音錄音樣本。為此,本文定義和提出了一個在數(shù)字語音取證領域有現(xiàn)實意義的新問題:基于語音錄音的設備源匹配問題,同時提出了一種新的基于稀疏表示和馬氏距離度量學習KISS metric的錄音設備源匹配方案:首先對待匹配的兩段語音錄音中的每一段都提取表征設備特征的高斯超向量,然后利用稀疏表示的區(qū)分能力基于高斯超向量進一步提取設備特征,接著對兩個設備特征基于正則平滑的KISS metric(Regularized Smoothing KISS metric,RS-KISS metric)進行相似度匹配并與預先設定的門限值相比較做出其是否來自同一個錄音設備的判決。實驗證明了該方案的有效性。4)通過對錄音設備的內部信號處理過程進行分析,發(fā)現(xiàn)在錄音過程中,傳聲器、傳輸電路和A/D轉換器都在語音錄音中留下了其固有噪聲的痕跡,稱其為錄音設備噪聲并提出了一種新的基于錄音設備噪聲的錄音設備指紋。具體來說,對每個待處理的錄音設備,為獲取其錄音設備噪聲,利用噪聲估計算法來對該設備的多段語音錄音進行噪聲譜估計然后取平均。此外,為了對設備噪聲進行充分的估計,同時考慮了兩種噪聲估計方法并進行了組合。在兩個音庫上的設備源辨認實驗證明設備噪聲特征比其他相關文獻中使用的幾種特征取得了更高的性能。5)針對錄音設備源取證領域新近出現(xiàn)的從語音錄音中進行盲信道估計,然后利用估計出的信道信息來表征錄音設備的方法,首先提出了兩種改進的盲信道估計方法。受到對數(shù)美爾譜系數(shù)(Logarithmic Mel-spectral Coefficients,LMSCs)和MFCCs在信道識別問題中所表現(xiàn)出的一定的互補特性的驅動,提出了一種基于聯(lián)合譜聚類的盲信道幅度響應估計方法:基于兩種特征分別進行一次譜聚類得到相應的純凈語音譜估計,最終的純凈語音譜估計是這兩個譜聚類結果的一個折衷。此外,語音信號頻譜的高頻部分比低頻部分更具有隨機性,因此可以利用更精確的多窗譜估計(Multi-window Spectral Estimation,MWSE)來處理高頻部分,從而減少高頻部分譜估計的方差,為此提出了另一種新的改進的方法,稱為雙帶盲信道估計方法:將語音錄音通過一個截止頻率劃分成高低頻部分分別進行盲信道估計,低頻部分按照原始的方法采用FFT進行譜估計并提取RASTA-MFCCs進行盲信道估計,而高頻部分則通過MWSE進行譜估計并提取MFCCs進行盲信道估計,最后將高低頻部分得到的估計譜組合在一起得到最終的信道幅度譜估計。實驗表明兩種改進的方法較改進前都進一步提升了信道幅度譜估計的準確度。在得到了信道幅度譜估計之后,基于信道幅度譜以及原始語音錄音信號幅度譜構建了表征錄音設備的特征并應用于錄音設備源取證中。在針對37個錄音設備單元的設備源辨認實驗表明了基于新的盲信道估計方法所提取的信道特征的有效性。
[Abstract]:This paper presents a new recognition system for mobile phones based on the information of equipment source . In order to estimate the noise of the equipment , a new method for estimating the amplitude response of blind channel based on joint spectral clustering is proposed .
【學位授予單位】：華南理工大學
【學位級別】：博士
【學位授予年份】：2016
【分類號】：TN912.3

【相似文獻】

相關期刊論文 前10條

1 趙永在;談大型會議錄音設備的配置[J];音響技術;2003年03期

2 王志鋒;賀前華;李艷雄;;錄音設備的建模和識別算法[J];信號處理;2013年04期

3 董琪;專業(yè)電話錄音設備的發(fā)展與選用[J];電力系統(tǒng)通信;1997年06期

4 ;下一代錄音設備[J];個人電腦;1999年05期

5 ;AKG K24P／K26P耳機[J];視聽技術;2006年12期

6 蔡映朵;;《中國合伙人》三大主創(chuàng)借助手機、錄音設備苦學英語[J];消費電子;2013年11期

7 趙明;;影響錄音效果的主客觀因素[J];美與時代(上半月);2008年03期

8 朱國輝;;同期錄音的設備選配及錄音技巧[J];音響技術;2007年02期

9 ;symbian小軟件 大作用——重要通話 一鍵錄音[J];電腦愛好者;2011年07期

10 吳龍章;裘洲龍;;CD唱機[J];實用無線電;1994年04期

相關博士學位論文 前1條

1 鄒領;基于設備源信息的數(shù)字語音取證技術研究[D];華南理工大學;2016年

相關碩士學位論文 前2條

1 李秋實;基于機車無線網(wǎng)的專用錄音設備設計與實現(xiàn)[D];鄭州大學;2016年

2 胡冰心;錄音設備音質評價系統(tǒng)的研究[D];北京化工大學;2015年

，

本文編號：1907250